CN112330029A - 一种基于多层convLSTM的渔场预测计算方法 - Google Patents
一种基于多层convLSTM的渔场预测计算方法 Download PDFInfo
- Publication number
- CN112330029A CN112330029A CN202011235235.0A CN202011235235A CN112330029A CN 112330029 A CN112330029 A CN 112330029A CN 202011235235 A CN202011235235 A CN 202011235235A CN 112330029 A CN112330029 A CN 112330029A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- convlstm
- training
- multilayer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 241000251468 Actinopterygii Species 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Mechanical Means For Catching Fish (AREA)
- Farming Of Fish And Shellfish (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多层convLSTM的渔场预测计算方法，本发明使用多层convLSTM，除了能够在训练中学习到中心渔场与海洋环境参数的对应关系，还能够学习到长时间的渔场与海洋环境因子对应的时空对应关系，较好地预测了未来中心渔场的位置。不仅充分考虑了海洋环境对渔场分布的影响，而且还利用了已有的捕捞经验。相对传统渔场预报计算方法，本发明计算方法的准确率和稳定性都有大幅提升。数据预处理。CPUE数据独热编码；构建多层convLSTM模型；模型训练；训练结果和模型评估。本发明在增加或删减海洋环境参数时具有较高的便捷性，预报结果优劣判断简单明了，输出结果迅速，本发明的准确率和稳定性都有大幅提升。
Description
技术领域
本发明涉及海洋渔业技术领域，尤其涉及一种一种基于多层convLSTM的渔场预测计算方法。
背景技术
渔情预报是对一定空间海域未来某时期渔业资源状况各要素，如渔期、渔场、鱼群数量和质量以及可能达到的渔获量等所做出的预报。渔情预报按照预报内容的不同分为三种类型：渔业资源状况的预报、时间的预报和空间的预报。预报渔场出现的位置或渔类资源的空间分布状况，即通常所说的渔场预报。由于渔业资源的逐渐匮乏以及捕捞成本不断升高，渔业生产过程中渔场位置的预报变得越来越重要。准确的渔场预报可以指导企业合理安排渔业生产，缩短寻找渔场的时间，减少成本、提高渔获产量。
许多学者对于渔场预报计算方法进行了研究，通常分为基于单一环境因子和基于多环境因子的渔场预报，方法大多采用统计学模型(陈新军等，2013)，而渔场的形成与海洋环境数据密切相关，海洋环境的多变性、复杂性使得这些传统的渔情预报方法在处理高维复杂海洋数据时准确率普遍较低。机器学习方法，如基于贝叶斯概率的分类器预报方法、神经网络方法、专家系统和案例推理方法等是目前渔场预测研究的热点(张月霞等，2009；范永超等，2015；陈洋洋等，2017；周为峰等，2018)，这类方法进行训练前要对多种参数进行独立成分分析，这不仅增加了方法的复杂度，还造成了数据信息量损失。有学者提出了基于全卷积网络的渔场预报方法(袁红春等，2020)，该方法只考虑了渔场与环境因子的关系，独立地对渔场进行预报。而大部分渔场的渔区在连续时间内存在一定的空间关系，卷积网络模型无法学习到足够的时间序列与空间序列的相关关系，进而忽略了时空变化对中心渔场的影响。
因此，业内存在一种技术需求：发明一种既能高效学习高维海洋环境参数及其时空序列关系，且稳定高精度的渔场预报计算方法。
发明内容
本发明的目的是提供一种基于多层convLSTM的渔场预测计算方法，本发明的技术方案如下：
一种基于多层convLSTM的渔场预测计算方法，包含如下步骤：
步骤100，获取海洋环境数据。数据包括：海表面温度数据(SST)、海表面温度异常数据(SSTA)、海表面叶绿素a浓度数据(Chla)和海表面高度异常数据(SLA)。
步骤101，计算单位捕捞努力量渔获量(CPUE)，其公式为：
式中：Ucatch表示该作业位置的累计渔获量，单位为kg，fhooks是该作业位置的累计投钩数，单位为hooks×1000。
步骤102，数据预处理，将渔区以各月CPUE的三分位数分位点66.7％和33.3％划分为高产区、中产区和低产区三类。同时，将海洋环境参数(SST、SLA、SSTA、Chla)统一至0.5°×0.5°空间分辨率，并进行归一化处理。
步骤103，CPUE数据独热编码。将CPUE标签划分为未捕捞区、高产区、中产区和低产区四类。CPUE标签数据维度为(Batch_Size、height、width、class)，其中class为非捕捞点和高、中、低产区四个类别，他们对应的每个维度的样本值。标签中每一类别中1为该类别的正样本，0为负样本。高(height)和宽(width)为预测渔场空间的栅格化矩阵。Batch_Size为模型运算每批的标签数量，对应输入数据每批的样本数量；
步骤104，构建多层convLSTM模型。模型的模块包含循环层ConvLSTM、标准化层Batch_Normalization和池化层MaxPooling3D。其中使用池化层压缩张量，取得合适的输出分辨率；卷积层激活函数为Rectified Linear Unit(ReLu)和Softmax。
步骤105，模型训练。数据为目标鱼种的捕捞数据和海洋环境参数。样本数据约占70％，分为为训练集和测试集，其中测试集为随机抽取的数据，剩下的数据为验证集数据。
在网络模型搭建试验过程中，使用六或七个ConvLSTM层做训练，每层的卷积核的数量为32/64个，根据验证集的结果最终确定最佳的ConvLSTM层数和卷积核的数量。训练输出结果分别对应1°×1°、3°×3°和5°×5°的空间分辨率。优化器使用Tensorflow2.2内置Keras自带的keras.optimizers.Adam。以六个月的叠加数据作为样本输入，下一个月的CPUE作为样本标签。
步骤106，训练结果和模型评估。
本发明模型将精确度(Precision)和召回率(Recall)作为训练结果的评判指标，并分别统计了训练集和验证集的Dice_coef系数，对预测的精度进行检验，其公式分别如下：
其中，TP为True Positive，即真实正样本。FP为False Positive,即被判定为正样本，但事实是负样本。FN为False Negative，即被判定为负样本，但事实是正样本。
其中x为输入样本，y为输出样本。
判断模型的稳定性和准确度，使用了平均绝对误差(MAE)、均方根误差RMSE这两个评判参数，其公式分别如下：
其中，Xt为预测值；Yt为真实值。MEA越小，表明模型预测越准确；RMSE越小，表明模型预测性能越稳定。
本发明的优点是：
(1)本发明计算方法使用多层convLSTM，除了能够在训练中学习到中心渔场与海洋环境参数的对应关系，还能够学习到长时间的渔场与海洋环境因子对应变化的时空对应关系，较好地预测了未来中心渔场的位置。
(2)本发明计算方法在增加或删减海洋环境参数时具有较高的便捷性，同时适用于高维复杂海洋环境参数，预报结果优劣判断简单明了，输出结果迅速。
(3)本发明计算方法不仅充分考虑了海洋环境对渔场分布的影响，而且还利用了已有的捕捞经验。
(4)相对传统渔场预报计算方法，本发明计算方法的准确率和稳定性都有大幅提升。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的模型验证集训练准确率示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
随着我国远洋渔业的发展，其生产规模在不断扩大的同时，生产成本也不断升高，远洋渔业企业对渔场预报准确性的要求也越来越高，这也为渔场预报模型的研究提出了新的挑战。如何充分利用长时间序列的捕捞数据和海洋环境参数数据，有效构建时空序列数据计算方法满足渔场预测要求，提升渔场预测结果的准确率和稳定性，仍是目前渔场预报亟需解决的问题之一，本发明的目的是提供一种基于多层convLSTM的渔场预测计算方法。
如图1所示，图1为本发明的方法流程示意图。
步骤100，获取海洋环境数据。数据包括：海表面温度数据(SST)、海表面温度异常数据(SSTA)、海表面叶绿素a浓度数据(Chla)和海表面高度异常数据(SLA)。
步骤101，计算单位捕捞努力量渔获量(CPUE)，其公式为：
式中：Ucatch表示该作业位置的累计渔获量，单位为kg，fhooks是该作业位置的累计投钩数，单位为hooks×1000。
步骤102，数据预处理。将渔区以各月CPUE的三分位数分位点66.7％和33.3％划分为高产区、中产区和低产区三类。同时，将海洋环境参数(SST、SLA、SSTA、Chla)统一至0.5°×0.5°空间分辨率，并进行归一化处理。
步骤103，CPUE数据独热编码。将CPUE标签划分为未捕捞区、高产区、中产区和低产区四类。CPUE标签数据维度为(Batch_Size、height、width、class)，其中class为非捕捞点和高、中、低产区这四个类别，他们对应的每个维度的样本值。标签中每一类别中1为该类别的正样本，0为负样本。高(height)和宽(width)为预测渔场空间的栅格化矩阵。Batch_Size为模型运算每批的标签数量，对应输入数据每批的样本数量；
步骤104，构建多层convLSTM模型。模型的模块包含循环层ConvLSTM、标准化层Batch_Normalization和池化层MaxPooling3D。其中使用池化层压缩张量，取得合适的输出分辨率；卷积层激活函数为ReLu和Softmax，将预测的张量的高和宽降低至和样本标签一致。
步骤105，模型训练。数据为目标鱼种的捕捞数据和海洋环境参数。样本数据约占70％，分为为训练集和测试集，其中测试集为随机抽取的数据，剩下的数据为验证集数据。
在网络模型搭建试验过程中，使用六或七个ConvLSTM层做训练，每层的卷积核的数量为32/64个，根据验证集的结果最终确定最佳的ConvLSTM层数和卷积核的数量。训练输出结果分别对应1°×1°、3°×3°和5°×5°的空间分辨率。优化器使用Tensorflow2.2内置Keras自带的keras.optimizers.Adam。以六个月的叠加数据作为样本输入，下一个月的CPUE作为样本标签。
步骤106，训练结果和模型评估。
本发明模型将精确度(Precision)和召回率(Recall)作为训练结果的评判指标，并分别统计了训练集和验证集的Dice_coef系数，对预测的精度进行检验，其公式分别如下：
其中TP为True Positive，即真实正样本。FP为False Positive,即被判定为正样本，但事实是负样本。FN为False Negative，即被判定为负样本，但事实是正样本。
其中x为输入样本，y为输出样本。
判断模型的稳定性和准确度，使用了平均绝对误差(MAE)、均方根误差(RMSE)这两个评判参数，其公式分别如下：
其中，Xt为预测值；Yt为真实值。MEA越小，表明模型预测越准确；RMSE越小，表明模型预测性能越稳定。
为了验证本发明方法的准确性，我们选取2009至2015年中西太平洋(0-30°S，145-180°E)地区的长鳍金枪鱼捕捞数据进行了模型试验和精度评估。训练样本制作中，加入了海表面温度、海面高度异常、叶绿素浓度和海面温度异常这四个海洋环境参数。所有输入模型的数据在训练前都需要归一化处理。使用2009年至2014年的CPUE和海洋环境参数作为训练集和测试集(共72批数据)，2015年的数据为验证集(12批数据)。以六个月的叠加数据作为样本输入，下一个月的CPUE作为样本标签。输入独热编码后的CPUE数据作为样本标签。试验中搭建了多个不同的网络模型，分别对应不同的空间分辨率，滤波器数量和循环层层数。最终选取三种分辨率下(模型1、2、3)最优模型取得的实验结果，模型参数与误差对比如表1所示：
表1模型参数与误差对比
从表1可以发现，所有模型训练集的Dice_coef系数都稳定在98％以上，而验证集维持在73％-92％。验证集的Dice_coef系数表明了模型在全新的数据中的预测结果好坏，其与训练集的Dice_coef系数之间的差值表现了模型的泛化能力，其中模型1最低为7.75％。模型3最高为25.48％。
如图2所示，图2为模型1、2、3验证集训练准确率，三个模型在前5轮训练中测试集的准确率迅速提升，在之后的约50轮训练中都有较大的波动，在60轮训练过后Dice_coef系数趋于平稳。训练集的准确率随着训练次数的增加稳定提升，随着训练次数的增加三个模型的准确率都超过90％。训练和测试的准确率在经过50轮训练后开始出现缓慢增大的分化，测试样本准确率趋于稳定而训练样本的准确率持续增大。
为了判断模型的性能，引入召回率(适用于渔情预报的优劣判断)，根据独热编码提取高、中、低产区的预测值和真实值，分别计算了它们的召回率，结果如表2所示：
表2高、中、低产区的召回率
从表2可以发现，模型1的召回率接近1。除了模型1，模型的召回率由大到小分别是低产区、中产区、高产区。高产区的召回率相对较低。此外，我们发现模型3的平均召回率较低(61.11％)，其他的模型的召回率都超过80％，因此可以认为在1°×1°分辨率渔场预报的结果最好。
表3为模型稳定性和误差对比，从表3可以发现，模型验证集的MAE在0.0509-0.1529之间，MEA越小，总精确度(Precision)越高。均方根误差在0.2067-0.3488之间，与MAE呈正相关关系。验证集的MAE和RMSE较低，模型较准确且具有较高的稳定性。模型训练集的总召回率能达到较高的精度，而验证集和训练集召回率的差值在9.07％-29.97％。验证集的总召回率实际体现了模型判断渔场产量能力的真实性能。其中模型1的召回率最高，表明其模型精确率最好。
表3模型稳定性和误差对比
我们通过不同产区的召回率统计，发现总体上模型的召回率较高，说明了模型预测渔场的能力较好，总体来说，一种基于多层convLSTM的渔场预测计算方法在渔场预报上取得了较好的预测结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，
本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于多层convLSTM的渔场预测计算方法，其特征在于，包含如下步骤：
步骤100，获取海洋环境数据，
步骤101，计算单位捕捞努力量渔获量，其公式为：
式中：Ucatch表示该作业位置的累计渔获量，单位为kg，fhooks是该作业位置的累计投钩数，单位为hooks×1000，
步骤102，数据预处理，将渔区以各月CPUE的三分位数分位点66.7％和33.3％划分为高产区、中产区和低产区三类，同时，将海洋环境参数SST、SLA、SSTA、Chla统一至0.5°×0.5°空间分辨率，并进行归一化处理，
步骤103，CPUE数据独热编码，将CPUE标签划分为未捕捞区、高产区、中产区和低产区四类，CPUE标签数据维度为Batch_Size、height、width、class，其中class为非捕捞点和高、中、低产区这四个类别，他们对应的每个维度的样本值，标签中每一类别中1为该类别的正样本，0为负样本，高和宽为预测渔场空间的栅格化矩阵，Batch_Size为模型运算每批的标签数量，对应输入数据每批的样本数量；
步骤104，构建多层convLSTM模型，模型的模块包含循环层ConvLSTM、标准化层Batch_Normalization和池化层MaxPooling3D，其中使用池化层压缩张量，取得合适的输出分辨率，卷积层激活函数为Rectified Linear Unit和Softmax，
步骤105，模型训练，数据为目标鱼种的捕捞数据和海洋环境参数，样本数据约占70％，分为为训练集和测试集，其中测试集为随机抽取的数据，剩下的数据为验证集数据，
步骤106，训练结果和模型评估，
精确度和召回率作为训练结果的评判指标，并分别统计了训练集和验证集的Dice_coef系数，对预测的精度进行检验，其公式分别如下：
其中TP为True Positive，即真实正样本，FP为False Positive,即被判定为正样本，但事实是负样本，FN为False Negative，即被判定为负样本，但事实是正样本，
其中，x为输入样本，y为输出样本，
判断模型的稳定性和准确度，使用了平均绝对误差、均方根误差这两个评判参数，其公式分别如下：
其中，Xt为预测值；Yt为真实值，MEA越小，表明模型预测越准确，RMSE越小，表明模型预测性能越稳定。
2.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤102中，将渔区以各月CPUE划分为高产区、中产区和低产区三类，将海洋环境参数SST，SLA，SSTA，Chla统一空间分辨率，并进行归一化处理。
3.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤103中，将CPUE标签划分为未捕捞区、高产区、中产区和低产区四类。
4.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤104中，模型的主要模块包含循环层、标准化层和池化层。
5.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤105中，在网络模型搭建试验过程中，使用六或七个ConvLSTM层做训练，每层的卷积核的数量为32/64个，根据验证集的结果最终确定最佳的ConvLSTM层数和卷积核的数量，训练输出结果分别对应1°×1°、3°×3°和5°×5°的空间分辨率，优化器使用Tensorflow2.2内置Keras自带的keras.optimizers.Adam，以六个月的叠加数据作为样本输入，下一个月的CPUE作为样本标签。
6.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤106中，将精确度和召回率作为训练结果的评判指标，并分别统计了训练集和验证集的Dice_coef系数，对预测的精度进行检验，判断模型的稳定性和准确度，使用平均绝对误差、均方根误差这两个评判参数。
7.根据权利要求1所述的一种基于多层convLSTM的渔场预测计算方法，其特征在于，所述步骤100中，所述海洋环境数据，包括海表面温度数据、海表面温度异常数据、海表面叶绿素a浓度数据和海表面高度异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011235235.0A CN112330029A (zh) | 2020-11-08 | 2020-11-08 | 一种基于多层convLSTM的渔场预测计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011235235.0A CN112330029A (zh) | 2020-11-08 | 2020-11-08 | 一种基于多层convLSTM的渔场预测计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330029A true CN112330029A (zh) | 2021-02-05 |
Family
ID=74315509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011235235.0A Pending CN112330029A (zh) | 2020-11-08 | 2020-11-08 | 一种基于多层convLSTM的渔场预测计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330029A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113360544A (zh) * | 2021-06-04 | 2021-09-07 | 中国海洋大学 | 基于捕捞时序关系的短时捕捞努力量分布预测方法 |
| CN115392482A (zh) * | 2022-08-25 | 2022-11-25 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
| CN115392482B (zh) * | 2022-08-25 | 2024-06-28 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834966A (zh) * | 2015-04-15 | 2015-08-12 | 中国水产科学研究院东海水产研究所 | 一种基于蚁群分类算法的渔场预报方法 |
| CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
| CN106204314A (zh) * | 2016-07-22 | 2016-12-07 | 上海海洋大学 | 一种东南太平洋茎柔鱼中心渔场预测方法 |
| CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
| CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
| CN110197307A (zh) * | 2019-06-03 | 2019-09-03 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
| CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
-
2020
- 2020-11-08 CN CN202011235235.0A patent/CN112330029A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834966A (zh) * | 2015-04-15 | 2015-08-12 | 中国水产科学研究院东海水产研究所 | 一种基于蚁群分类算法的渔场预报方法 |
| CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
| CN106204314A (zh) * | 2016-07-22 | 2016-12-07 | 上海海洋大学 | 一种东南太平洋茎柔鱼中心渔场预测方法 |
| CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
| CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
| CN110197307A (zh) * | 2019-06-03 | 2019-09-03 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
| CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113360544A (zh) * | 2021-06-04 | 2021-09-07 | 中国海洋大学 | 基于捕捞时序关系的短时捕捞努力量分布预测方法 |
| CN115392482A (zh) * | 2022-08-25 | 2022-11-25 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
| CN115392482B (zh) * | 2022-08-25 | 2024-06-28 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN109146847B (zh) | 一种基于半监督学习的晶圆图批量分析方法 | |
| CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| CN113268883A (zh) | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 | |
| CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
| CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN112330029A (zh) | 一种基于多层convLSTM的渔场预测计算方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN116245563B (zh) | 基于AdaBoost算法构建的商品销量融合预测模型 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116245259A (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
| CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |